重新思考问卷数据的表示学习

基于摘要分析。本文研究问卷数据的表示学习，提出 SemantiQ：将问卷回答扩展为语义丰富的自然语言陈述，再编码到统一语义空间，以保留题目与选项含义，并改善样本间及特征间关系的表达。 作者将标准化、one-hot encoding 等传统处理归为下采样式表示方法，认为其表格化转换会损失语义信息；与之相对，SemantiQ 采用上采样式表示框架。这里的“上采样”指摘要所描述的语义扩展，不应理解为已确认采用样本复制或信号重采样。框架利用 retrieval-augmented generation 和大语言模型，将题目文本、选项文本及外部知识转化为自然语言陈述，随后生成语义嵌入，并通过多阶段训练和测试时训练进一步优化。具体生成约束、嵌入模型、训练目标、阶段安排及测试时更新方式尚未验证。 作者报告，在多个真实世界数据集上，SemantiQ 优于其所比较的先进基线；摘要未提供数据集名称、任务类型、划分方式、指标或提升幅度，不能据此判断优势大小及适用范围。阅读全文时需核对语义扩展、外部知识、多阶段训练与测试时训练各自的贡献，并确认检索内容、生成成本和测试时可用信息。实验协议、消融及统计信息尚未验证。 该研究的主要对象是问卷回答，而非 EEG 或其他神经信号。平台推测（待验证）：若 BCI 研究包含带题目、选项文本的状态或行为问卷，SemantiQ 的语义编码流程可能用于辅助变量表示，而不是直接替代 EEG 编码器；此假设依赖可用的问卷语义、可靠外部知识及明确的下游监督。需改造问卷表示与 EEG 特征的融合接口，并警惕小数据、跨被试差异及生成语义偏差放大噪声。可在固定的跨被试划分下，对照传统问卷编码与 SemantiQ 式语义编码，仅改变辅助表示，检验其是否改善同一 EEG 下游任务；相关 EEG 工作尚未检索确认。